量化模型与构建方式 量化组合模型 - **模型名称**：基于研报覆盖度调整的指数增强模型 - **模型构建思路**：通过区分研报覆盖度高低的域，分别选用适合的因子进行增强，以提升选股效果[46] - **模型具体构建过程**： 1. 将沪深300、中证500和中证1000宽基指数内的股票划分为研报覆盖度高和低的两种域[46] 2. 针对不同域，选择适用性因子进行增强，优化选股策略[46] 3. 具体因子选择和增强方法参考报告《量化分析报告：寻觅无人之境：基于研报覆盖度调整的指数增强》[46] - **模型评价**：通过因子增强策略，模型在不同宽基指数内均实现了超额收益，表现稳定[46][47] --- 量化因子与构建方式 成交量因子 - **因子名称**：成交量类因子 - **因子的构建思路**：通过分析成交量的变化趋势，捕捉市场情绪和资金流动对股价的影响[39][40] - **因子具体构建过程**： 1. 计算过去1个月成交量与过去12个月成交量的差值，构造因子`volume_1m_minus_12m`[40] 2. 计算过去1个月成交量与过去12个月成交量的比值，构造因子`volume_1m_div_12m`[40] 3. 计算过去1个月成交量的标准差与过去12个月成交量的标准差的比值，构造因子`volume_std_1m_div_12m`[40] - **因子评价**：成交量因子在小市值股票中表现较好，能够有效捕捉市场情绪变化[42] 管理费用率因子 - **因子名称**：管理费用率因子 - **因子的构建思路**：通过衡量管理费用占总销售收入的比例，评估企业的成本控制能力和盈利能力[39][40] - **因子具体构建过程**： 1. 计算管理费用与总销售收入的比值，构造因子`gaexp_sales`[40] 2. 计算管理费用_TTM与营业收入_TTM的比值，构造因子`adm_exp_ratio`[43] - **因子评价**：管理费用率因子在大市值股票中表现较强，能够反映企业的经营效率[42][43] 研发类因子 - **因子名称**：研发类因子 - **因子的构建思路**：通过衡量研发投入占比，评估企业的创新能力和未来增长潜力[43] - **因子具体构建过程**： 1. 计算研发费用_TTM与总销售收入的比值，构造因子`tot_rd_ttm_to_sales`[43] 2. 计算研发费用_TTM与总资产的比值，构造因子`tot_rd_ttm_to_assets`[43] 3. 计算研发费用_TTM与净资产的比值，构造因子`tot_rd_ttm_to_equity`[43] - **因子评价**：研发类因子在大市值股票中表现较好，能够捕捉企业的长期成长性[43] --- 模型的回测效果 - **沪深300增强组合**： - 上周绝对收益：-2.05% - 上周超额收益：0.18% - 本月超额收益：-0.69% - 本年超额收益：5.94% - 超额年化收益率：11.50% - 超额Sharpe：2.03[46][47] - **中证500增强组合**： - 上周绝对收益：-2.20% - 上周超额收益：-0.30% - 本月超额收益：-0.09% - 本年超额收益：6.19% - 超额年化收益率：13.73% - 超额Sharpe：2.89[46][47] - **中证1000增强组合**： - 上周绝对收益：-1.41% - 上周超额收益：0.70% - 本月超额收益：1.08% - 本年超额收益：5.66% - 超额年化收益率：15.37% - 超额Sharpe：2.51[46][47] --- 因子的回测效果 - **成交量因子**： - 近一周多头超额收益：`volume_1m_minus_12m`为1.10%，`volume_1m_div_12m`为1.05%，`volume_std_1m_div_12m`为1.05%[40][41] - 近一年多头超额收益：`volume_1m_minus_12m`为7.62%，`volume_1m_div_12m`为7.33%，`volume_std_1m_div_12m`为7.45%[41] - **管理费用率因子**： - 近一周多头超额收益：`gaexp_sales`为1.21%，`adm_exp_ratio`为0.60%[40][43] - 近一年多头超额收益：`gaexp_sales`为4.38%，`adm_exp_ratio`为1.12%[41][43] - **研发类因子**： - 近一周多头超额收益：`tot_rd_ttm_to_sales`为1.50%，`tot_rd_ttm_to_assets`为1.22%，`tot_rd_ttm_to_equity`为0.85%[43] - 近一年多头超额收益：`tot_rd_ttm_to_sales`为7.62%，`tot_rd_ttm_to_assets`为3.68%，`tot_rd_ttm_to_equity`为2.20%[41][43]

量化模型与构建方式 1. **行业轮动策略模型** - 模型构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉市场风格切换机会[34] - 模型具体构建过程： 1. 筛选绩优基金样本（如近1年收益排名前30%的主动权益基金） 2. 计算行业超配比例变化： $$超配比例_{t} = \frac{基金持仓行业市值}{基金总市值} - \frac{行业基准市值}{全市场总市值}$$ 3. 生成行业轮动信号：超配比例环比上升且绝对值高于历史中位数的行业为推荐配置方向[34] - 模型评价：在存量市场中表现优于传统动量策略，但对基金持仓数据时效性要求较高[34] 2. **景气度行业轮动模型** - 模型构建思路：结合行业基本面景气度指标（如盈利增速、ROE变化）构建多头组合[34] - 模型具体构建过程： 1. 选取5个核心景气度指标（营收增速、利润增速、毛利率、资本开支、分析师预期上调比例） 2. 计算行业综合得分： $$景气度得分 = \sum_{i=1}^{5} w_i \times 标准化(指标_i)$$ 3. 选择得分前30%的行业作为多头组合[34] 模型的回测效果 1. **绩优基金行业轮动模型** - 年化超额收益：8.2%（vs 中证全指）[36] - 最大回撤：-15.3%[36] - IR：1.35[36] 2. **景气度行业轮动模型** - 年化超额收益：6.7%（vs 中证全指）[36] - 胜率：58%[36] 量化因子与构建方式 1. **ESG筛选因子** - 因子构建思路：基于中证A500指数的成分股筛选条件，评估企业在环境、社会和治理维度的表现[8] - 因子具体构建过程： 1. 环境维度（E）：碳排放强度、能源使用效率、污染排放量 2. 社会维度（S）：员工福利、供应链管理、社区关系 3. 治理维度（G）：董事会独立性、反腐败政策、股东权利 4. 综合评分： $$ESG得分 = 0.4 \times E + 0.3 \times S + 0.3 \times G$$[8] 2. **行业龙头因子** - 因子构建思路：识别三级细分行业中市值和流动性领先的上市公司[8] - 因子具体构建过程： 1. 计算行业相对市值： $$相对市值 = \frac{个股市值}{行业中位数市值}$$ 2. 计算流动性指标： $$流动性得分 = 20\% \times 换手率 + 80\% \times 日均成交额$$ 3. 综合排名前20%的个股赋予龙头因子暴露[8] 因子的回测效果 1. **ESG筛选因子** - 多空收益差（年化）：4.8%[8] - IC均值：0.12[8] 2. **行业龙头因子** - 多头组合年化超额：5.3%（vs 行业平均）[8] - 月度胜率：63%[8]

量化模型与构建方式 1. 模型名称：连续对冲策略 - **模型构建思路**：通过持有现货ETF多头和做空股指期货合约的方式，利用基差收敛的特性实现对冲收益[38] - **模型具体构建过程**： - **回测区间**：2018年1月2日至2024年9月13日（IM合约从上市日开始）[39] - **现货端**：持有与标的指数对应的ETF（如510500ETF、510300ETF等）多头[39] - **期货端**：做空与现货端金额相同名义本金的股指期货合约[39] - **调仓规则**：连续持有季月/当月合约，直至该合约离到期不足2日，在当日以收盘价平仓，同时以当日收盘价卖空下一季月/当月合约[39] - **备注**：不考虑手续费、冲击成本及期货合约不可无限细分的性质[39] 2. 模型名称：最低贴水策略 - **模型构建思路**：通过选择基差贴水幅度最小的期货合约进行开仓，优化对冲收益[40] - **模型具体构建过程**： - **回测区间**：2018年1月2日至2024年9月13日（IM合约从上市日开始）[40] - **现货端**：持有与标的指数对应的ETF（如510500ETF、510300ETF等）多头[40] - **期货端**：做空与现货端金额相同名义本金的股指期货合约[40] - **调仓规则**：调仓时计算所有可交易期货合约的年化基差，选择贴水幅度最小的合约开仓。同一合约持有8个交易日或到期不足2日时，重新选择新合约[40] - **备注**：不考虑手续费、冲击成本及期货合约不可无限细分的性质[40] 3. 模型名称：跨期套利策略 - **模型构建思路**：通过同时持有基差贴水幅度最小的期货空单和基差贴水幅度最大的期货多单，利用基差变化实现套利收益[41] - **模型具体构建过程**： - **回测区间**：2018年1月2日至2024年9月13日（IM合约从上市日开始）[41] - **期货多头**：选择基差贴水幅度最大的期货合约开多仓[41] - **期货空头**：选择基差贴水幅度最小的期货合约开空仓[41] - **账户总金额**：1手股指期货名义本金[41] - **调仓规则**：同一合约持有8个交易日或到期不足2日时，重新选择新合约[41] - **备注**：不考虑手续费、冲击成本及期货合约不可无限细分的性质[41] --- 模型的回测效果 1. 基于中证500股指期货的策略表现 - **当月连续对冲**： - 年化收益：-2.98%[46] - 波动率：1.74%[46] - 最大回撤：-18.49%[46] - 净值：0.8173[46] - 年换手次数：12[46] - 2024年以来收益：-1.66%[46] - **季月连续对冲**： - 年化收益：-2.45%[46] - 波动率：2.26%[46] - 最大回撤：-16.21%[46] - 净值：0.8470[46] - 年换手次数：4[46] - 2024年以来收益：-0.65%[46] - **最低贴水策略**： - 年化收益：-1.55%[46] - 波动率：2.21%[46] - 最大回撤：-10.67%[46] - 净值：0.9010[46] - 年换手次数：16.17[46] - 2024年以来收益：-1.13%[46] - **跨期套利策略**： - 年化收益：3.44%[46] - 波动率：2.25%[46] - 最大回撤：-2.26%[46] - 净值：1.2537[46] - 年换手次数：35.78[46] - 2024年以来收益：-0.07%[46] 2. 基于沪深300股指期货的策略表现 - **当月连续对冲**： - 年化收益：-0.71%[48] - 波动率：1.48%[48] - 最大回撤：-6.75%[48] - 净值：0.9534[48] - 年换手次数：12[48] - 2024年以来收益：-0.22%[48] - **季月连续对冲**： - 年化收益：-0.19%[48] - 波动率：1.90%[48] - 最大回撤：-4.78%[48] - 净值：0.9875[48] - 年换手次数：4[48] - 2024年以来收益：0.69%[48] - **最低贴水策略**： - 年化收益：0.41%[48] - 波动率：1.89%[48] - 最大回撤：-2.55%[48] - 净值：1.0274[48] - 年换手次数：15.87[48] - 2024年以来收益：0.50%[48] - **跨期套利策略**： - 年化收益：2.59%[48] - 波动率：1.92%[48] - 最大回撤：-1.98%[48] - 净值：1.1864[48] - 年换手次数：33.68[48] - 2024年以来收益：-0.40%[48] 3. 基于上证50股指期货的策略表现 - **当月连续对冲**： - 年化收益：-0.20%[53] - 波动率：1.45%[53] - 最大回撤：-4.64%[53] - 净值：0.9868[53] - 年换手次数：12[53] - 2024年以来收益：-0.52%[53] - **季月连续对冲**： - 年化收益：0.37%[53] - 波动率：1.88%[53] - 最大回撤：-3.85%[53] - 净值：1.0248[53] - 年换手次数：4[53] - 2024年以来收益：0.69%[53] - **最低贴水策略**： - 年化收益：0.69%[53] - 波动率：1.84%[53] - 最大回撤：-2.50%[53] - 净值：1.0469[53] - 年换手次数：16.47[53] - 2024年以来收益：0.23%[53] - **跨期套利策略**： - 年化收益：1.68%[53] - 波动率：2.08%[53] - 最大回撤：-1.87%[53] - 净值：1.1180[53] - 年换手次数：34.43[53] - 2024年以来收益：-0.26%[53] 4. 基于中证1000股指期货的策略表现 - **当月连续对冲**： - 年化收益：-2.94%[56] - 波动率：1.73%[56] - 最大回撤：-6.24%[56] - 净值：0.9379[56] - 年换手次数：12[56] - 2024年以来收益：-3.47%[56] - **季月连续对冲**： - 年化收益：-2.71%[56] - 波动率：2.55%[56] - 最大回撤：-5.76%[56] - 净值

量化模型与构建方式 1. 模型名称：利率风格组合与信用风格组合 - **模型构建思路**：通过不同债券品种的配置比例，构建利率风格和信用风格的模拟组合，分析其收益表现 - **模型具体构建过程**： 1. **利率风格组合**：按照80%利率债和20%信用债的比例配置，其中利率债部分采用10年期国债，信用债部分配置20%的超长债，选择10年期AA+产业债品种[11] 2. **信用风格组合**：反向配置，即20%利率债和80%信用债，信用债部分包括多种策略组合，如子弹型、下沉型、久期型和超长型等[11][51] 3. **收益计算**：年度累计收益通过周度综合收益（票息+资本利得）加总得到，票息收益按照期初估值收益×持有时长计算[11] - **模型评价**：利率风格组合在本周表现优于信用风格组合，尤其是二级超长型和产业超长型策略收益较高[13][16] 2. 模型名称：模拟组合配置方法 - **模型构建思路**：通过不同债券品种的期限、评级和配置比例，构建多种模拟组合策略，分析其收益来源和超额收益表现 - **模型具体构建过程**： 1. **子弹型策略**：如存单子弹型配置1年期AAA同业存单，城投子弹型配置3年期AA+城投债，二级债子弹型配置3年期AAA-二级资本债[51] 2. **下沉策略**：如存单下沉型配置1年期AA+同业存单，城投短端下沉配置1年期AA-城投债，二级债下沉配置3年期AA+二级资本债[51] 3. **久期策略**：如城投拉久期配置4年期AA+城投债，二级债拉久期配置4年期AAA-二级资本债[51] 4. **超长策略**：如城投超长型配置10年期AA+城投债，产业超长型配置10年期AA+产业债，二级超长型配置10年期AAA-二级资本债[51] 5. **哑铃型策略**：如城投哑铃型按照1:1配置1年期AA+城投债和10年期AA+城投债，混合哑铃型配置1年期AA+城投债和10年期AAA-二级资本债[51] - **模型评价**：模拟组合策略覆盖多种债券品种和期限，能够有效捕捉不同市场环境下的收益特征[51] --- 模型的回测效果 1. 利率风格组合 - **二级超长型策略**：本周综合收益为0.6%[13][16] - **产业超长型策略**：本周综合收益为0.57%[13][16] 2. 信用风格组合 - **二级超长型策略**：本周综合收益为0.52%[13][16] - **产业超长型策略**：本周综合收益为0.39%[13][16] 3. 重仓券种策略 - **存单重仓组合**：周度收益均值为0.22%，环比上行4.1bp[16] - **城投重仓组合**：周度收益均值为0.2%，较上周回落[16] - **二级资本债重仓组合**：周度收益均值为0.29%，环比基本持平[16] - **超长债重仓组合**：周度收益均值为0.4%[16] --- 量化因子与构建方式 1. 因子名称：票息收益贡献因子 - **因子构建思路**：分析票息收益对各类策略组合综合收益的贡献比例 - **因子具体构建过程**： 1. 计算票息收益贡献 = （期初估值收益 × 持有时长） / 综合收益 2. 对不同策略组合的票息收益贡献进行分布统计[26] - **因子评价**：票息收益贡献在本周处于偏低水平，主要策略中混合哑铃型和二级久期策略的票息贡献分别为12%和14.4%，资本利得对综合收益的贡献更强[26] 2. 因子名称：超额收益因子 - **因子构建思路**：通过与基准组合收益的差异，衡量各策略组合的超额收益表现 - **因子具体构建过程**： 1. 基准组合配置：如短端基准组合配置1年期AA+城投债，中长端基准组合配置3年期AA+城投债，超长债基准组合配置7年期AA+城投债[36][39][48] 2. 计算超额收益 = 策略组合收益 - 基准组合收益 3. 对不同策略组合的超额收益进行分策略统计[36][39][48] - **因子评价**：商金债子弹型、银行永续债久期策略等中长端金融债策略表现较优，二级超长型策略的超额收益达到25.1bp，为7月以来最高点[33][36] --- 因子的回测效果 1. 票息收益贡献因子 - **混合哑铃型策略**：票息收益贡献为12%[26] - **二级久期策略**：票息收益贡献为14.4%[26] 2. 超额收益因子 - **商金债子弹型策略**：近四周累计超额收益为16.2bp[33] - **二级债久期策略**：近四周累计超额收益为13.6bp[33] - **二级债子弹型策略**：近四周累计超额收益为9.5bp[33] - **存单子弹型策略**：本周超额收益为1.9bp[36] - **二级超长型策略**：本周超额收益为25.1bp[36]

量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[14] - **模型具体构建过程**： 1. 选择投资标的：针对全球资产，选取沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数和南华商品指数；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[15] 2. 结合主观观点与市场数据，利用贝叶斯方法调整资产的预期收益 3. 通过优化算法计算资产配置权重，解决均值-方差模型对预期收益敏感的问题[14][15] - **模型评价**：BL模型有效解决了均值-方差模型对预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者提供高效的资产配置方案[14] 2. 模型名称：风险平价模型 - **模型构建思路**：风险平价模型的核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[19] - **模型具体构建过程**： 1. 选择底层资产：针对全球资产，选取沪深300、标普500、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金；针对国内资产，选取沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[20] 2. 计算资产对组合的风险贡献：基于资产的预期波动率及相关性，计算初始资产配置权重下的风险贡献 3. 优化资产配置权重：对各资产实际风险贡献与预期风险贡献的偏离度进行优化，得到最终权重[19][20] - **模型评价**：风险平价模型通过均衡风险分布，构建了在经济周期不同阶段都能获得稳定收益的策略[18][19] 3. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于增长、通胀、利率、信用、汇率和流动性六大宏观风险因子，构建资产配置框架，将宏观研究与资产配置研究相结合[23][24] - **模型具体构建过程**： 1. 构造高频宏观因子：通过Factor Mimicking Portfolio方法构造增长、通胀等六大宏观风险因子[24] 2. 计算因子暴露：每月末计算资产的因子暴露水平，并以风险平价组合为基准，计算基准因子暴露[24] 3. 主观调整因子偏离值：根据对未来宏观环境的判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[24][26] 4. 反解资产权重：将因子暴露目标带入模型，反解得到下个月的资产配置权重[24] - **模型评价**：该模型通过主观调整因子偏离值，灵活反映投资者对宏观环境的判断，增强了资产配置的适应性[24] --- 模型的回测效果 1. Black-Litterman模型 - 国内资产BL模型1：本周收益0.41%，9月份收益0.63%，2024年收益5.98%，年化波动1.69%，最大回撤0.78%[16][18] - 国内资产BL模型2：本周收益0.27%，9月份收益0.50%，2024年收益5.40%，年化波动1.47%，最大回撤0.65%[16][18] - 全球资产BL模型1：本周收益0.81%，9月份收益0.76%，2024年收益6.62%，年化波动1.97%，最大回撤0.95%[16][18] - 全球资产BL模型2：本周收益0.62%，9月份收益0.52%，2024年收益5.48%，年化波动1.48%，最大回撤0.64%[16][18] 2. 风险平价模型 - 国内资产风险平价模型：本周收益0.08%，9月份收益0.07%，2024年收益4.46%，年化波动1.15%，最大回撤0.37%[22][23] - 全球资产风险平价模型：本周收益0.13%，9月份收益-0.07%，2024年收益4.90%，年化波动1.03%，最大回撤0.31%[22][23] 3. 基于宏观因子的资产配置模型 - 基于宏观因子的资产配置模型：本周收益0.04%，9月份收益0.06%，2024年收益3.87%，年化波动1.24%，最大回撤0.45%[28][29]

量化模型与构建方式 1. 模型名称：四轮驱动行业轮动模型 - **模型构建思路**：通过行业轮动策略，选择潜在机会行业进行投资[11] - **模型具体构建过程**： - 选择交通运输、通信、建筑装饰、汽车、非银金融等行业作为关注对象[11] - 通过低位金叉、赚钱效应异动等信号识别潜在投资机会[18] - 具体信号类型包括低位金叉和赚钱效应异动，信号日期和是否拥挤等参数用于进一步筛选[18] - **模型评价**：该模型通过多种信号类型和参数进行筛选，能够较好地捕捉行业轮动中的潜在机会[11][18] 模型的回测效果 - 四轮驱动行业轮动模型，交通运输行业信号日期为2024-09-12，信号类型为低位金叉，是否拥挤为0[18] - 四轮驱动行业轮动模型，通信行业信号日期为2024-09-10，信号类型为赚钱效应异动，是否拥挤为0[18] - 四轮驱动行业轮动模型，建筑装饰行业信号日期为2024-09-12，信号类型为低位金叉，是否拥挤为0[18] - 四轮驱动行业轮动模型，汽车行业信号日期为2024-09-03，信号类型为赚钱效应异动，是否拥挤为0[18] - 四轮驱动行业轮动模型，非银金融行业信号日期为2024-09-05，信号类型为赚钱效应异动，是否拥挤为0[18]

- 量能择时信号显示，截至9月13日，北证50指数的量能择时信号为看多，其余各大宽基指数的量能择时信号为谨慎观点[2][29][30] - 沪深300指数N日上涨家数占比情绪指标用于判断市场情绪，通过计算指数成分股的近期正收益个数来判断市场情绪[30][31] - 动量情绪指标通过对沪深300指数上涨家数占比指标进行两次不同窗口期的平滑来捕捉指标变动情况，当前快线慢线同步向下，快线处于慢线之下，预计未来一段时间内将维持谨慎观点[36][37][39] - 均线情绪指标通过计算沪深300收盘价八均线数值，均线参数为8，13，21，34，55，89，144，233，当日收盘价大于八均线指标值的数量超过5时，看多沪深300指数[40][41][43] - 横截面波动率显示，最近一周沪深300、中证500和中证1000指数成分股横截面波动率下降，短期Alpha环境变差[45][47][49] - 时间序列波动率显示，最近一周沪深300、中证500和中证1000指数成分股时间序列波动率下降，Alpha环境变差[50][51][52] - 抱团基金分离度指标用于监控基金抱团程度，最近一周抱团股和抱团基金超额收益环比小幅上升[89][90][91]

量化模型与构建方式 1. 模型名称：PB-ROE-50组合 - **模型构建思路**：基于PB（市净率）和ROE（净资产收益率）两个指标，筛选出具有较高投资价值的股票，构建组合[24] - **模型具体构建过程**：以PB和ROE为核心因子，结合中证500和中证800股票池，进行样本筛选和组合构建，采用月频调仓策略[24][25] 2. 模型名称：大宗交易组合 - **模型构建思路**：通过分析大宗交易的成交金额比率和成交金额波动率，提炼出高成交、低波动的股票，构建组合[29] - **模型具体构建过程**： 1. 统计大宗交易股票的成交金额比率和6日成交金额波动率 2. 按照“高成交、低波动”原则筛选股票 3. 采用月频调仓方式构建组合[29][30] 3. 模型名称：定向增发组合 - **模型构建思路**：基于定向增发事件效应，结合市值因素、调仓周期及仓位控制，构建事件驱动型选股组合[34] - **模型具体构建过程**： 1. 以股东大会公告日为时间节点 2. 综合考虑市值因素、调仓周期及仓位控制 3. 构建定向增发事件驱动选股组合[34][35] 模型的回测效果 1. PB-ROE-50组合 - **中证500股票池**：本周超越基准收益率1.13%，今年以来超额收益率11.60%，本周绝对收益率-0.94%，今年以来绝对收益率-7.09%[25] - **中证800股票池**：本周超越基准收益率0.95%，今年以来超额收益率6.73%，本周绝对收益率-1.11%，今年以来绝对收益率-11.14%[25] - **全市场股票池**：本周超越基准收益率-0.10%，今年以来超额收益率-0.08%，本周绝对收益率-2.14%，今年以来绝对收益率-16.81%[25] 2. 大宗交易组合 - **本周超越基准收益率**：1.82% - **今年以来超额收益率**：-11.57% - **本周绝对收益率**：-0.26% - **今年以来绝对收益率**：-26.38%[30] 3. 定向增发组合 - **本周超越基准收益率**：2.15% - **今年以来超额收益率**：-10.39% - **本周绝对收益率**：0.07% - **今年以来绝对收益率**：-25.40%[35] 量化因子与构建方式 1. 因子名称：Beta因子 - **因子构建思路**：衡量股票相对于市场的系统性风险，捕捉市场波动带来的收益机会[17] - **因子具体构建过程**：通过回归分析计算股票收益与市场收益的相关性，得到Beta值[17] 2. 因子名称：动量因子 - **因子构建思路**：基于股票价格的历史表现，捕捉价格延续性带来的收益机会[17] - **因子具体构建过程**：计算股票在一定时间窗口内的累计收益率，作为动量因子值[17] 3. 因子名称：市值因子 - **因子构建思路**：基于股票市值大小，捕捉小市值股票的超额收益特征[17] - **因子具体构建过程**：以股票市值为指标，构建因子值，并剔除行业和市值影响[17] 4. 因子名称：非线性市值因子 - **因子构建思路**：通过非线性变换，进一步挖掘市值因子的潜在收益特征[17] - **因子具体构建过程**：对市值因子进行非线性变换，构建新的因子值[17] 5. 因子名称：盈利因子 - **因子构建思路**：基于企业盈利能力，捕捉高盈利企业的超额收益特征[17] - **因子具体构建过程**：以ROE、ROA等盈利指标为基础，构建因子值[17] 6. 因子名称：流动性因子 - **因子构建思路**：衡量股票的流动性水平，捕捉流动性溢价带来的收益机会[17] - **因子具体构建过程**：以换手率、成交量等流动性指标为基础，构建因子值[17] 因子的回测效果 1. Beta因子 - **最近1周收益**：0.30%[17] 2. 动量因子 - **最近1周收益**：0.22%[17] 3. 市值因子 - **最近1周收益**：-0.32%[17] 4. 非线性市值因子 - **最近1周收益**：-0.48%[17] 5. 盈利因子 - **最近1周收益**：-0.66%[17] 6. 流动性因子 - **最近1周收益**：-0.64%[17]

量化模型与构建方式 1. 模型名称：隐马尔可夫模型（HMM） - **模型构建思路**：基于隐马尔可夫模型，通过识别当前行业所处状态，计算当前行业状态序列与历史中显著上涨或下跌状态序列的平均相似度，预测行业未来上涨概率，进而构建行业轮动策略[2][9][33] - **模型具体构建过程**： 1. **模型定义**：隐马尔可夫模型由初始状态概率向量、状态转移概率矩阵和观测概率矩阵决定，表示为三元组 $\lambda=(A,B,\pi)$[23] - 初始状态概率向量 $\pi=[\pi_{i}]$，表示初始时刻处于某状态的概率[22][23] - 状态转移概率矩阵 $A=[a_{i,j}]$，表示从状态 $q_i$ 转移到状态 $q_j$ 的概率[19][20] - 观测概率矩阵 $B=[b_{j,k}]$，表示在状态 $q_j$ 下生成观测 $v_k$ 的概率[20][21] 2. **状态序列生成**：基于行业量价数据，利用隐马尔可夫模型生成状态序列[35] 3. **状态匹配**：通过滚动采样历史状态序列，计算当前行业状态序列与历史显著上涨、显著下跌状态序列的相似度[36][37] - 相似度计算公式： $$ S_{i}=\begin{cases}1.0&\text{if}\ W_{i}^{\text{Now}}=W_{i}^{\text{Part}}\\ 0.5&\text{if}\ W_{i}^{\text{Now}}=W_{i-1}^{\text{Part}}\ \text{or}\ W_{i}^{\text{Now}}=W_{i+1}^{\text{Part}}\\ 0&\text{otherwise}\end{cases} $$ $$ S=\sum_{i=1}^{K}S_{i} $$ 其中 $W_{i}^{\text{Now}}$ 和 $W_{i}^{\text{Part}}$ 分别为观察窗口和待比较窗口的状态序列[54] 4. **行业优选**：选择预测上涨概率较高的前五分之一行业（六个）等权配置[43] 5. **参数优化**：通过样本内回测，选择涨跌阈值为3.5%、观察窗口长度为5作为最优参数[64] - **模型评价**：隐马尔可夫模型能够有效提取多维特征的抽象状态，降低噪声，提升预测能力[89] --- 模型的回测效果 样本内表现 - **累计超额收益**：2022年为7.02%，2023年为9.03%[71][73] - **最大回撤**：2022年为3.50%，2023年为3.40%[71][73] - **月度胜率**：2022年为66.67%，2023年为91.67%[71][73] - **年化波动率**：2022年为5.91%，2023年为5.33%[71][73] - **月盈亏比**：2022年为1.76，2023年为0.48[71][73] 样本外表现 - **累计超额收益**：2024年前8个月为10.75%[74][75] - **最大回撤**：2024年前8个月为2.80%[74][75] - **月度胜率**：2024年前8个月为75.00%[74][75] - **年化波动率**：2024年前8个月为6.77%[74][75] - **月盈亏比**：2024年前8个月为1.91[74][75] 样本外行业表现 - **Top行业收益排名**：2024年前8个月中，第1名出现4次，前3名共计8次，前5名共计13次，前10名共计20次，前15名共计28次，占比58%[83] - **月度换手率**：2024年前8个月平均月度换手率为53%[83] --- 量化因子与构建方式 1. 因子名称：日收益率、20日波动率、20日波动率差分、日换手率、日换手率差分 - **因子的构建思路**：通过多维特征代理变量描述行业状态，提取与市场波动相关的关键信息[40][48] - **因子具体构建过程**： 1. **特征选择**：剔除收盘价因子，最终选择5个因子[48] 2. **标准化处理**：采用Z-Score标准化方法，公式为： $$ X'=\frac{X-\text{Mean}(X)}{\text{Std}(X)} $$ 其中 $\text{Mean}(X)$ 为均值，$\text{Std}(X)$ 为标准差[49][50] 3. **特征矩阵生成**：基于行业量价数据，生成训练特征矩阵和预测特征矩阵[35] - **因子评价**：因子选择合理，能够有效反映市场状态，提升模型预测能力[40][48] --- 因子的回测效果 样本内表现 - **累计超额收益**：在涨跌阈值3.5%、观察窗口长度5的情况下，累计超额收益为16.7%[64] - **最大回撤**：3.50%[64] - **月度胜率**：79%[64] - **信息比率（IR）**：1.40[63] 样本外表现 - **累计超额收益**：10.75%[74][75] - **最大回撤**：2.80%[74][75] - **月度胜率**：75.00%[74][75] - **信息比率（IR）**：未明确提及

量化因子与构建方式 1. 因子名称：BuyTransaction_BuyOrder_ratio_09150920 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用买单成交量与买单委托量的比例构建因子，反映市场中买方力量的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是09:15~09:20时段内，买单成交量与买单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[34][36] 2. 因子名称：BuyWithdrew_BuyOrder_ratio_09150920 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用买单撤单量与买单委托量的比例构建因子，反映市场中买方撤单行为的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是09:15~09:20时段内，买单撤单量与买单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[42][44] 3. 因子名称：Transaction_Order_ratio_09200925 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用成交量与委托量的比例构建因子，综合反映市场中买卖双方的成交强度[7][20][22] - **因子具体构建过程**：该因子计算的是09:20~09:25时段内，成交量与委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[52][53] 4. 因子名称：BuyTransaction_BuyOrder_ratio_09150925 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用买单成交量与买单委托量的比例构建因子，反映市场中买方力量的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是09:15~09:25时段内，买单成交量与买单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[61][62] 5. 因子名称：SellTransaction_SellOrder_ratio_14571500 - **因子的构建思路**：基于集合竞价阶段的逐笔订单数据，利用卖单成交量与卖单委托量的比例构建因子，反映市场中卖方力量的强弱[7][20][22] - **因子具体构建过程**：该因子计算的是14:57~15:00时段内，卖单成交量与卖单委托量的比值，具体公式未披露[22] - **因子评价**：分档收益表现出较好的单调性，能够有效区分股票的未来表现[71][72] --- 因子的回测效果 1. BuyTransaction_BuyOrder_ratio_09150920因子 - **超额年化收益率**：Top-30组合为6.73%，Top-50组合为5.91%，Top-100组合为5.82%，Top-150组合为5.65%，Top-200组合为5.81%[34][38] - **信息比率（IR）**：Top-30组合为0.35，Top-50组合为0.31，Top-100组合为0.31，Top-150组合为0.30，Top-200组合为0.31[38][41] 2. BuyWithdrew_BuyOrder_ratio_09150920因子 - **超额年化收益率**：Top-30组合为11.88%，Top-50组合为10.26%，Top-100组合为8.28%，Top-150组合为7.41%，Top-200组合为6.55%[42][47] - **信息比率（IR）**：Top-30组合为0.60，Top-50组合为0.52，Top-100组合为0.43，Top-150组合为0.35，Top-200组合为0.29[47][50] 3. Transaction_Order_ratio_09200925因子 - **超额年化收益率**：Top-30组合为6.49%，Top-50组合为5.94%，Top-100组合为5.20%，Top-150组合为4.90%，Top-200组合为4.63%[52][59] - **信息比率（IR）**：Top-30组合为0.34，Top-50组合为0.31，Top-100组合为0.27，Top-150组合为0.25，Top-200组合为0.25[59][61] 4. BuyTransaction_BuyOrder_ratio_09150925因子 - **超额年化收益率**：Top-30组合为5.63%，Top-50组合为6.07%，Top-100组合为5.47%，Top-150组合为5.20%，Top-200组合为5.25%[61][69] - **信息比率（IR）**：Top-30组合为0.30，Top-50组合为0.33，Top-100组合为0.28，Top-150组合为0.29，Top-200组合为0.29[69][71] 5. SellTransaction_SellOrder_ratio_14571500因子 - **超额年化收益率**：Top-30组合为10.90%，Top-50组合为10.37%，Top-100组合为9.98%，Top-150组合为9.22%，Top-200组合为8.62%[71][78] - **信息比率（IR）**：Top-30组合为0.54，Top-50组合为0.53，Top-100组合为0.52，Top-150组合为0.46，Top-200组合为0.46[78][80]